Articles
<![CDATA[Klasifikasi Sinyal EEG pada Sistem BCI Pergerakan Jari Manusia Menggunakan Convolutional Neural Network ]]>
<![CDATA[Rahmat Widadi]]>;
<![CDATA[Bongga Arif Widodo]]>;
<![CDATA[Dodi Zulherman]]>
<![CDATA[ Techno.Com Vol 19, No 4 (2020): November 2020 ]]>
Publisher : <![CDATA[LPPM Universitas Dian Nuswantoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33633/tc.v19i4.4119
<![CDATA[Pemanfaatan sistem Brain-Computer Interface (BCI) sebagai penghubung pikiran manusia dengan peralatan eksternal sangat bergantung pada keakuratan pengklasifikasian dan pengidentifikasian sinyal EEG khususnya gerak motor imagery. Kesuksesan deep learning, sebagai contoh Convolutional Neural Network (CNN), dalam proses klasifikasi pada berbagai bidang berpeluang untuk diimplementasikan pada klasifikasi gerak motor imagery. Pengimplementasian CNN untuk klasifikasi sinyal EEG motor imagery (MI-EEG) gerakan jari tangan diperkenalkan dalam tulisan ini. Rancangan sistem klasifikasi terdiri dari dua bagian yaitu convolution layer dan multilayer perceptron yang diimplementasikan menggunakan Python 3.7 dengan library TensorFlow 2.0 (Keras). Pengujian rancangan sistem dilakukan terhadap lima subjek dari data MI-EEG 5F dengan frekuensi pencuplikan 200 Hz. Pengujian melibatkan Kfold-cross validation dan analisis pada confusion matrix. Berdasarkan hasil pengujian, peningkatan ukuran kernel menghasilkan peningkatan rata-rata akurasi sistem. Sistem dengan akurasi terbaik diperoleh pada rancangan dengan jumlah kernel 50 sebesar 51,711%. Rancangan sistem menghasilkan kinerja yang melebihi hasil penelitian yang menjadi rujukan utama.]]>
<![CDATA[ECTOC (ELECTRICAL CARBON DIOXIDE TO OXYGEN CONVERTER) TO ADD OXYGEN IN THE ROOMS OF BOARDING HOUSES ]]>
<![CDATA[Anang Prasetyo]]>;
<![CDATA[Rahmat Widadi]]>;
<![CDATA[I Wayan Adiyasa]]>
<![CDATA[ Pelita - Jurnal Penelitian Mahasiswa UNY Volume VIII, Nomor 1, April 2013 ]]>
Publisher : <![CDATA[Pelita - Jurnal Penelitian Mahasiswa UNY ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (288.718 KB)
<![CDATA[This research was aimed at finding out the concept of ECTOC (Electrical CarbonDioxide To Oxygen Converter) to add oxygen in in the rooms of boarding houses andfinding out how ECTOC (Electrical Carbon Dioxide To Oxygen Converter) worked toadd oxygen in in the rooms of boarding houses.This research was categorized as Research and Development employing themodel of Borg and Gall. The data were collected through observation, questionnaires,and documentation. The data were analyzed quantitatively and qualitatively. Theanalyzed qualitative data were classified based on the collection category andgeneralized by employing simple statistics.The concept and procedure of ECTOC (Electrical Carbon Dioxide To OxygenConverter) was adding oxygen to refresh the rooms by taking the air from outside andprocessing it in the pipes around which induction with high voltage was wound toburn carbon dioxide and send oxygen to the rooms. The high voltage was obtainedfrom the coil converting 12Volt into]]>
<![CDATA[Pemilah dan Penghitung Uang Logam Berdasarkan Diameter Menggunakan Sensor TCRT5000 ]]>
<![CDATA[Slamet Indriyanto]]>;
<![CDATA[Rahmat Widadi]]>;
<![CDATA[Luhur Pamukti]]>
<![CDATA[ Journal of Telecommunication, Electronics, and Control Engineering (JTECE) Vol 2 No 1 (2020): Journal of Telecommunication, Electronics, and Control Engineering (JTECE) ]]>
Publisher : <![CDATA[LPPM Institut Teknologi Telkom Purwokerto ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.20895/jtece.v2i1.111
<![CDATA[Uang sebagaimana diketahui sebagai alat pembayaran baik barang maupun jasa, memiliki bentuk fisik dalam bentuk kertas dan logam. Uang logam Rupiah biasanya terbuat dari bahan alumunium atau nikel. Setiap kepingnya memiliki tekstur tertentu pada sisi uang untuk membedakan tiap pecahan. Di Indonesia terdapat 4 jenis uang logam yang beredar saati ini, yaitu pecahan Rp. 100, 200, 500 dan 1000 rupiah. Uang logam jika dalam jumlah banyak dan bercampur akan merepotkan jika harus dipisahkan dan dihitung satu demi satu. Untuk itu diperlukan suatu alat yang dapat berfungsi untuk memilah dan sekaligus menghitung jumlah uang logam. Pada jurnal ini telah dirancang dan dibuat suatu alat pemilah dan penghitung uang logam menggunakan sensor TCRT5000. Pemilahan uang logam yang ada berdasarkan diameter dari masing-masing uang logam, dan sensor digunakan untuk menghitung berapa nominal yang sudah tertampung dalam wadah yang disediakan. Hasil pengujian didapatkan dari 100 kali percobaan uang logam Rp.100 rupiah terdapat 2 percobaan tidak terdeteksi oleh sensor. Pengujian uang logam Rp200 rupiah terdapat juga 2 kali percobaan tidak tereteksi oleh sensor. Pengujian uang logam Rp.500 rupiah dan Rp.1000 rupiah tidak ada kegagalan pendeteksian ataupun penyortiran. Jadi, dari pengujian tersebut dapat disimpulkan bahwa tingkat akurasi pendeteksian uang logam Rp.100 dan Rp.200 rupiah sebesar 98%, dan pendeteksian uang logam Rp.500 dan Rp.1000 rupiah memiliki tingkat akurasi sebesar 100%. Dari sisi penyortiran, semua koin yang diuji bisa masuk ke dalam wadah sesuai dengan diameter dan nominal, sehingga tingkat akurasi penyortiran semua uang logam memiliki tingkat akurasi 100%.]]>
<![CDATA[EEG Signal Classification of Motor Imagery Right and Left Hand using Common Spatial Pattern and Multilayer Perceptron Back Propagation ]]>
<![CDATA[Synatria Subekti]]>;
<![CDATA[Rahmat Widadi]]>;
<![CDATA[Dodi Zulherman]]>
<![CDATA[ Jurnal Sisfokom (Sistem Informasi dan Komputer) Vol 11, No 2 (2022): JULI ]]>
Publisher : <![CDATA[ISB Atma Luhur ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32736/sisfokom.v11i2.1404
<![CDATA[The number of people with disabilities is increasing, so it requires bionic devices to replace human motor functions. Brain-Computer Interface (BCI) can be a tool for the bionic device to communicate with the brain. Signal brain or Electroencephalogram (EEG) signal need to classify to drive the corresponding bionic device. This research goal is to classify the imagination of the right and left-hand movements based on the EEG signal. The system design in this research consists of EEG channel selection using Finite Impulse Response (FIR) filter, feature extraction using Common Spatial Pattern (CSP), and classification using Multilayer Perceptron Back Propagation (MLP-BP). The data used a secondary dataset from BCI Competition IV (2b) with 9 research subjects. The research scenario is carried out by trying to use several variations in the number of hidden layer nodes on each EEG channel. Based on the test, the best accuracy for MLP-BP is 68.7% using 24 nodes in the alpha channel.]]>
<![CDATA[KLASIFIKASI SINYAL PHONOCARDIOGRAM MENGGUNAKAN METODE SHORTTIME FOURIER TRANSFORM DAN SUPPORT VECTOR MACHINE ]]>
<![CDATA[Faqih Amatya Hendrayan]]>;
<![CDATA[Dodi Zulherman]]>;
<![CDATA[Rahmat Widadi]]>
<![CDATA[ Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol 13, No 2 (2022): JURNAL SIMETRIS VOLUME 13 NO 2 TAHUN 2022 ]]>
Publisher : <![CDATA[Universitas Muria Kudus ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24176/simet.v13i2.6595
<![CDATA[Penggunaan phonocardiogram (PCG) dalam mengekstraksi informasi-informasi secara elektronik membutuhkan analisis sinyal yang kompleks. Namun, PCG memiliki keunggulan bersifat non invasif dan hemat dibandingkan dengan electrocardiogram (EKG). Tujuan penelitian ini mengembangkan sebuah perangkat klasifikasi untuk alat bantu diagnosis berdasarkan metode shorttime fourier transform (STFT) untuk ekstraksi fitur dan support vector machine (SVM) untuk klasifikasi. Kinerja sistem yang telah dirancang menggunakan dataset sekunder, dengan jumlah 2.141 sinyal PCG yang terdiri dari 1958 normal dan 183 abnormal. Pengujian kinerja menggunakan beberapa variasi rancangan, yaitu Hamming, Hanning, dan Blackman window pada STFT dan variasi kernel serta nilai C parameter pada SVM. Berdasarkan hasil pengujian variasi jenis window pada STFT, membuktikan bahwa nilai terbaik didapatkan oleh Hamming window dengan nilai sensitifitas 62.24%, spesitifitas 89.47%, area under ROC curve (AUC) 0.75, serta akurasi sebesar 65.62%. Hasil dari variasi C parameter sebesar 1000 pada proses klasifikasi mendapatkan hasil evaluasi kinerja terbaik pada masing-masing kernel, nilai AUC pada kernel linear sebesar 0.73, 0.78 pada kernel polynomial, dan 0.83 pada kernel radial basis function (RBF). Penelitian ini membuktikan bahwa penggunaan Hamming window pada ekstraksi fitur dan nilai C parameter 1000, serta variasi kernel RBF pada klasifikasi sebagai bentuk model terbaik sistem PCG berbasis STFT dan SVM.]]>
<![CDATA[Klasifikasi Tingkat Kesegaran Ikan Nila Menggunakan K-Nearest Neighbor Berdasarkan Fitur Statistis Piksel Citra Mata Ikan ]]>
<![CDATA[Rahmat Widadi]]>;
<![CDATA[Bongga Arifwidodo]]>;
<![CDATA[Kholidiyah Masykuroh]]>;
<![CDATA[Ariyatno Saputra]]>
<![CDATA[ JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 7, No 1 (2023): Januari 2023 ]]>
Publisher : <![CDATA[Universitas Budi Darma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30865/mib.v7i1.5196
<![CDATA[Healthy tilapia will experience a decrease in quality when stored out of water even with the refrigerator. The decline in fish quality can be seen from the fish's eye. In this study the aim was to develop a tilapia freshness classification system based on fisheye images utilizing image processing and machine learning. Fisheye images were taken at intervals of 0 to 16 hours after being removed from the water. Ten tilapias were used in this study. The distance between the camera and the fish has also been changed with a variation of 4 distances. The total data obtained is 640 fisheye images. The method used in fisheye image classification consists of two stages, namely feature extraction and classification. The four types of statistical features used from image pixel values are the mean, standard deviation, skewness, and kurtosis. While at the classification stage using K-Nearest Neighbor. The scenario that has been determined is then used at the system implementation stage using the Python Programming Language. Testing and analysis using k-fold cross validation and confusion matrix. In the results of the study, the accuracy rate was obtained with an average of 100% using 2 classes, namely 0-2 hours and 2-4 hours. The accuracy rate using 4 classes was obtained with an average of 75%, namely classes 0-2 hours, 2-4 hours, 10-12 hours, and 14-16 hours, and when using all classes, an average accuracy rate of 45% is obtained.]]>
<![CDATA[Telemonitoring Denyut Jantung Dan Suhu Tubuh Terintegrasi Android Smartphone Berbasis Internet of Things (IoT) ]]>
<![CDATA[Rahmat Widadi]]>
<![CDATA[ Electrician : Jurnal Rekayasa dan Teknologi Elektro Vol. 16 No. 1 (2022) ]]>
Publisher : <![CDATA[Department of Electrical Engineering, Faculty of Engineering, Universitas Lampung ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Denyut jantung dan suhu tubuh merupakan parameter kesehatan yang sering digunakan pada manusia. Jumlah kasus kematian akibat penyakit jantung meningkat selama masa pandemi, kurangnya infrastruktur dan layanan telemedika juga menjadi faktor. Penelitian ini bertujuan untuk merancang sistem monitoring terintegrasi smartphone dengan prinsip health from home. Sistem memantau denyut jantung menggunakan pulse heart rate sensor dan suhu tubuh menggunakan DS18B20 temperature sensor. Hasil penelitian didapatkan sistem dapat digunakan sebagai telemonitoring kesehatan dengan nilai akurasi pembacaan denyut jantung pulse heart rate sensor sebesar 98.57 persen dan pembacaan suhu tubuh DS18B20 temperature sensor sebesar 98.55 persen. Hasil pengukuran QoS sistem diperoleh nilai throughput 9.93 Kbit/s, delay 0.25 s, dan packet loss 0 persen.]]>
<![CDATA[Klasifikasi Pergerakan Tangan dan Kaki Berbasis Sinyal EEG Menggunakan Common Spatial Patterns dan Multilayer Perceptron Backpropagation ]]>
<![CDATA[Widadi, Rahmat]]>;
<![CDATA[Zulherman, Dodi]]>
<![CDATA[ Jurnal Telematika Vol. 14 No. 2 (2019) ]]>
Publisher : <![CDATA[Yayasan Petra Harapan Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.61769/telematika.v14i2.292
<![CDATA[The artificial bionic appendicular systems, such as hands and feet movement, require the Brain-Computer Interface (BCI) to control the movement. The BCI based movement controlling in a bionic device utilises the EEG signal directly, but the EEG signal classification has to design before it implemented in a BCI device. This study aims to design a classification system for hands and feet movements based on beta channel EEG signals. The system design used the Common Spatial Pattern (CSP) method for feature extraction and stochastic gradient descent in Multilayer Perceptron Backpropagation (MLP-BP) for the hands and feet movement classification. We use the EEG signal from ten subjects to evaluate the design. Also, the variation number of node in MLP-BP to get the system performance based on the confusion matrix. Based on the test results, the improvement of the number of nodes brought the accuracy increasing, especially for variation two, four and eight nodes. The highest mean of system design accuracy reached 94.38% for eight nodes.Teknologi brain computer interface (BCI) dibutuhkan untuk mekanisme pengaturan gerak dari alat bantu bionik sistem appendicular, khususnya tangan dan kaki. Pengendali pergerakan devais bionik berbasis BCI dapat menggunakan sinyal EEG, namun sistem pengelompokan sinyal EEG untuk pergerakan tangan dan kaki dibutuhkan sebagai tahapan awal pengimplementasian tersebut. Penelitian ini bertujuan untuk merancang sebuah sistem klasifikasi pergerakan tangan dan kaki berdasarkan sinyal EEG gelombang beta. Rancangan sistem menggunakan metode Common Spatial Patterns (CSP) pada tahap ekstrasi fitur dan stochastic gradient descent dalam Multilayer Perceptron Backpropagation (MLP-BP) untukmengklasifikasi pergerakan tangan dan kaki. Pengujian sistem menggunakan confusion matrix terhadap sepuluh subjek dan variasi jumlah node MLP-BP. Berdasarkan hasil pengujian, nilai rata-rata akurasi sistem dengan jumlah node dua, empat dan delapan meningkat sebanding dengan peningkatan jumlah node, namun nilai rata-rata akurasi menurun kembali saat jumlah node ditingkatkan menjadi enam belas. Rata-rata akurasi rancangan sistem yang tertinggi mencapai 94,38 % pada sistem dengan delapan node pada hidden layer.]]>
<![CDATA[Obstructive sleep apnea detection based on electrocardiogram signal using one-dimensional convolutional neural network ]]>
<![CDATA[Widadi, Rahmat]]>;
<![CDATA[Rizal, Achmad]]>;
<![CDATA[Hadiyoso, Sugondo]]>;
<![CDATA[Fauzi, Hilman]]>;
<![CDATA[Said, Ziani]]>
<![CDATA[ IAES International Journal of Artificial Intelligence (IJ-AI) Vol 13, No 4: December 2024 ]]>
Publisher : <![CDATA[Institute of Advanced Engineering and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.11591/ijai.v13.i4.pp4129-4137
<![CDATA[Obstructive sleep apnea (OSA) is a respiratory obstruction that occurs during sleep and is often known as snoring. OSA is often ignored even though it can cause cardiovascular problems. Early diagnosis is needed for prevention towards worse complications. OSA clinical diagnosis can use polysomnography (PSG) while the patient is sleeping. The PSG examination includes calculating total apnea plus hypopnea every hour during sleep. However, PSG examination tends to be high cost, takes a long time, and is impractical. Since OSA is related to breathing and heart activity, the electrocardiogram (ECG) examination is an alternative tool in OSA analysis. Therefore, this study proposes OSA detection on single lead ECG using one dimensional (1D)-convolutional neural network (CNN). The proposed CNN architecture consists of 4 convolutional layers, 4 pooling layers, 1 dropout layer, 1 flatten layers, 2 dropout layers, 1 dense layer with rectified linear unit (ReLU) activation function, and 1 dense layer with SoftMax activation function. The proposed method was then tested on the ECG sleep apnea dataset from PhysioNet. The proposed model produces an accuracy of 92.69% with the average pooling scenario. The proposed method is expected to help clinicians in diagnosing OSA based on ECG signals.]]>
<![CDATA[Klasifikasi Sinyal Phonocardiogram Menggunakan Short Time Fourier Transform dan Convolutional Neural Network ]]>
<![CDATA[Amal, Muhammad Alwi Adnan]]>;
<![CDATA[Zulherman, Dodi]]>;
<![CDATA[Widadi, Rahmat]]>
<![CDATA[ Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 2: April 2023 ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer, Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.25126/jtiik.20235424
<![CDATA[Berdasarkan laporan American Heart Association, penyakit kardiovaskular menjadi penyebab kematian global tertinggi. Phonocardiogram (PCG) dan electrocardiogram (ECG) biasanya digunakan untuk mendeteksi penyakit jantung. Penggunaan sinyal PCG memberikan hasil prediksi yang lebih baik pada deteksi penyakit jantung bila dibandingkan dengan ECG. Tetapi, penggunaan PCG secara elektronik membutuhkan analisis sinyal yang kompleks untuk mengklasifikasikan kondisi jantung. Penelitian ini bertujuan merancang suatu sistem klasifikasi sinyal PCG berdasarkan metode ekstraksi fitur menggunakan Short Time Fourier Transform (STFT) dan metode klasifikasi menggunakan Convolutional Neural Network (CNN). Pengujian rancangan sistem menggunakan dataset sekunder dengan 2.575 rekaman PCG normal dan 665 rekaman PCG abnormal dalam format wav. Pengujian kinerja menggunakan variasi Hamming, Hann dan Blackman-Harris Window pada bagian ektraksi fitur dan variasi jumlah layer konvolusi pada bagian klasifikasi. Berdasarkan hasil pengujian, penggunaan hamming window pada proses ekstraksi fitur dan 4 layer konvolusi pada proses klasifikasi memberikan hasil terbaik dengan tingkat akurasi 88,11%. Penelitian ini membuktikan bahwa penggunaan hamming window pada bagian ekstraksi fitur dan 4 layer konvolusi pada bagian klasifikasi sebagai bentuk model terbaik sistem klasifikasi PCG berdasarkan STFT dan CNN. AbstractAccording to a report by the American Heart Association, cardiovascular disease is the leading global cause of death. Phonocardiogram (PCG) and electrocardiogram (ECG) are commonly used to detect heart disease. The use of PCG signals provides better predictive results in the detection of heart disease when compared to ECG. However, the use of PCG electronically requires complex signal analysis to classify heart conditions. This study aims to design a PCG signal classification system based on the extraction method using the Short Time Fourier Transform (STFT) and the classification method using the Convolutional Neural Network (CNN). The system design test used a secondary dataset with 2,575 normal PCG records and 665 abnormal PCG records in wav format. Performance testing uses variations of Hamming, Hann and Blackman-Harris Window in the feature extraction section and variations in the number of convolution layers in the classification section. Based on the test results, the use of a hamming window in the feature extraction process and 4 convolution layers in the classification process gives the best results with an accuracy rate of 88.11%. This study proves that the use of a hamming window in the feature extraction section and 4 convolution layers in the classification section is the best form of the PCG classification system based on STFT and CNN.]]>
